關於 同分異構物物理性質 ，我們在網路上蒐集到這些相關的討論、資訊與評價

訓練下肢的時候，⁣
總覺得臀部兩邊發力不平均嗎？⁣
反而都是腰部或大腿前側出力居多呢😰⁣
⁣
-⁣
⁣
🔷臀部失衡的可能原因⁣
⁣
1️⃣人本來就是不對稱的⁣
⁣
例如像是髖關節的不對稱、⁣
股骨脛骨長短不同，⁣
或是股骨頭結構的不同等等，⁣
⁣
2️⃣長久累積的習慣影響⁣
⁣
例如左右撇子的差異性、⁣
久站久坐時重心壓向某一邊，⁣
或職業性質的特性影響等等。⁣
⁣
而當在生活中，⁣
久而久之使用拿手或最舒適的一邊時，⁣
就可能影響你全身肌肉的協調能力。⁣
⁣
3️⃣過往的傷病史⁣
⁣
當只要有過創傷經驗，⁣
多少都會影響到生理層面以及心理層面，⁣
讓你本身產生一種本能的防衛機制。⁣
⁣
讓身體尋求更容易及簡單的動作發力方式，⁣
進而可能產生代償及許多功能性缺陷。⁣
⁣
-⁣
⁣
🔷臀部失衡真的有那麼嚴重嗎？⁣
⁣
不一定！⁣
⁣
如上面所說到的可能原因，⁣
你會發現問題很複雜，⁣
所以當然也沒有絕對的解決方式！⁣
⁣
但當久而久之嚴重的發力不平均，⁣
可能導致動作姿勢不對稱或關節負荷過大，⁣
最終是有可能造成更嚴重的損傷，⁣
甚至疼痛發生😱⁣
⁣
所以沒必要追求絕對的兩邊發力平均，⁣
但也應該讓自己重視失衡的問題，⁣
且嘗試調整看看😤⁣
⁣
-⁣
⁣
🔷試試看「改善下肢活動度」⁣
⁣
如果先撇除上半身的關節，⁣
可能出現的問題不談，⁣
下半身主要的關節為：⁣
髖關節、膝關節與踝關節。⁣
⁣
所以單論髖關節的部分，⁣
可以先嘗試測試其兩邊的活動度，⁣
瞭解自己的失衡程度，⁣
再藉由筋膜放鬆按壓，⁣
改善物理層面的筋膜緊繃。⁣
⁣
-⁣
⁣
🔷活動度測試：「主動直膝抬腿」⁣
⁣
這個測試能識別髖部的主動屈曲活動度，⁣
以及核心在起始動作和過程中的穩定，⁣
還有對側腳的伸直能力。⁣
⁣
整個人先平躺於地上，⁣
將雙腳併攏且腳趾朝上，⁣
兩側手掌朝上並置於身體兩側。⁣
⁣
再來慢慢地抬起測試腳至極限，⁣
測試腳過程中保持伸直，⁣
而非測試腳保持正中不歪斜，⁣
測試完後再換另一邊試試看。⁣
⁣
所以如果當你發現，⁣
某一隻腳無法抬起太高，⁣
可以嘗試按壓腿後側肌群或小腿肌群，⁣
去增加其活動度，⁣
以減少臀部某一邊的失衡。⁣
⁣
-⁣
⁣
🔷增加腿後側活動度⁣
⁣
使用按摩球找個椅子坐下，⁣
將按摩球放置在大腿後側下方處，⁣
用兩手施予向下的壓力，⁣
沿著腿後側一點一點按壓，⁣
有疼痛點時停下，⁣
在那個位置慢慢按壓保持自然呼吸。⁣
⁣
-⁣
這次的內容是濃縮了我在Youtube上的一部影片，⁣
影片中會再詳細說到：⁣
⁣
🔺其餘2招有效提升臀肌感受度⁣
⁣
再點選以下，⁣
觀看我的完整的分享唷🙆‍♂️🙆‍♂️🙆‍♂️⁣
https://youtu.be/ogv_A7yLvPE

-⁣
⁣
新竹竹北教練課諮詢表單📤：
https://forms.gle/uPnk5Udp7iTvqvrs7
臺北教練課諮詢表單📤：
https://forms.gle/eepenES47JFDHuTp8
我的IG😎 (分享我生活的一面):
IG: https://www.instagram.com/pjaywang/
推薦的補充品💪：
https://www.gogonuts.best/ (折扣碼：JAY)
💊優力格益生菌 / 植萃活力膠囊：
https://web.hocom.tw/web/Home/index?key=521006882986 (折扣碼：JAY45)
⁣
-⁣
⁣
#becomebetterjay⁣
#JayWang動作教學⁣
#臀推 #臀腿日 #臀肌 #臀部運動 #臀肌訓練⁣
#重訓 #健身 #無痛訓練 #肌力訓練

🙋：諸葛亮要約女生會約誰?
貂蟬
．
．
．
．
．
因為，亮只揪嬋。
＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿

　　這次我們不談量子糾纏，而是要聊聊量子世界中湧現的新穎群體行為！群體行為指的是多個個體在相互作用之下產生的新結構、新行為或新性質，例如水分子排列成碎形的雪花晶體，不穩定的氣流產生的湍流或颱風，及在生態系統中大家熟知的昆蟲、鳥類及魚類等的麇集活動等，這些新穎群體行為與原來個體完全不同，且相當不容易預測。而科學家發現這種新穎群體行為居然在量子世界中也常常出現！為什麼會產生這些行為呢？這些行為的特性是什麼？和其他行為又有什麼差別？
　　本次 #李定國院士　將以「量子到古典物理中湧現的新穎群體行為」為題，探討超導態及相轉變態中所呈現的新穎群體行為，並進一步比較這些多體作用產生的群體行為異同、成因及複雜程度。
欲知你著來：https://goo.gl/vbBJZq
▾▿▾▿▾▿▾▿▾▿▾▿▾▿▾▿▾▿

📌主講人：李定國院士 (國立中山大學物理學系研究講座教授)
📌主持人：周美吟副院長
📌時 間：110年5月25日(星期二)晚上7:00-8:30
📌地 點：本院學術活動中心2樓第1會議室（臺北市南港區研究院路二段128號）
📌影音直播網址：https://youtu.be/2ObJwiAmpyo
📌活動全程敬請配戴口罩，並配合活動中心當日入館防疫措施。

▾▿▾▿▾▿▾▿▾▿▾▿▾▿▾▿▾▿
🔔想多跟我們互動？追蹤官方IG
https://www.instagram.com/academiasinica_official/?hl=zh-tw
🔔中研大小事，盡在《中研院訊》
我要訂閱 https://newsletter.sinica.edu.tw/

迎接終端AI新時代：讓運算更靠近資料所在

作者 : Andrew Brown，Strategy Analytics
2021-03-03

資料/數據(data)成長的速度越來越快。據估計，人類目前每秒產出1.7Mb的資料。智慧與個人裝置如智慧型手機、平板電腦與穿戴式裝置不但快速成長，現在我們也真正目睹物聯網(IoT)的成長，未來連網的裝置數量將遠遠超越地球的人口。

這包括種類繁多的不同裝置，像是智慧感測器與致動器，它們可以監控從震動、語音到視覺等所有的東西，以及幾乎大家可以想像到的所有東西。這些裝置無所不在，從工廠所在位置到監控攝影機、智慧手錶、智慧家庭以及自主性越來越高的車輛。隨著我們企圖測量生活週遭數位世界中更多的事物，它們的數量將持續爆炸性成長。

資料爆量成長，讓許多企業把資料從內部部署運作移到雲端。儘管集中到雲端運算的性質，在成本與資源效率、彈性與便利性有它的優點，但也有一些缺點。由於運算與儲存在遠端進行，來自終端、也就是那些在網路最邊緣裝置的資料，需要從起始點經過網際網路或其他網路，來到集中式的資料中心(例如雲端)，然後在這裡處理與儲存，最後再傳回給用戶。

對於一些傳統的應用，這種方式雖然還可以接受，但越來越多的使用場景就是無法承受終端與雲端之間，資訊被接力傳遞產生的延遲。我們必須即時做出決策，網路延遲要越小越好。基於這些原因，開始有人轉向終端運算；越來越多人轉而使用智慧終端，而去中心化的程度也越來越高。此外，在這些即時應用中產生的龐大資料量，意味著處理與智慧必須在本地以分散的方式進行。

與資料成長連袂而來的，是人工智慧與機器學習(ML)也朝終端移動，並且越來越朝終端本身移動。大量來自真實世界的資訊，需要用ML的方式來進行詮釋與採取行動。透過AI與ML，是以最小的延遲分析影像、動作、影片或數量龐大的資料，唯一可行且合乎成本效益的方式。運用AI與ML的演算法與應用將在邊緣運作，在未來還將會直接在終端裝置上進行。

資料正在帶動從集中化到分散化的轉變

隨著資訊科技市場逐漸發展與成熟，網路的設計以及在其運作的所有裝置，也都跟著進化。全盛時期從服務數千個小型客戶端的主機，一直到客戶端伺服器模型中使用的越來越本地化的個人電腦運算效能，基礎架構持續重組與最佳化，以便更貼近網路上的裝置以及符合運作應用的需求。這些需求包含檔案存取與資料儲存，以及資料處理的需求。

智慧型手機與其他行動裝置的爆炸性成長，加上物聯網的快速成長，促使我們需要為如何讓資產進行最佳的部署與安排進行評估。而影響這個評估的因素，包括網路的可用性、安全性、裝置的運算力，以及把資料從終端傳送到儲存設備的相關費用，近來也已轉向使用分散式的運算模型。

從邊緣到終端：AI與ML改變終端典範

在成本、資源效率、彈性與便利性等方面，雲端有它的優點，裝置數量的急遽增加(如圖2)，將導致資料產出量大幅增加。這些資料大部份都相當複雜且非結構化的，這也是為何企業只會分析1%~12% 的資料的原因之一。把大量非結構化的資料送到雲端的費用相當高、容易形成瓶頸，而且從能源、頻寬與運算力角度來看，相當沒有效率。

在終端執行進階處理與分析的能力，可協助為關鍵應用降低延遲、減少對雲端的依賴，並且更好地管理物聯網產出的巨量資料。

終端AI：感測、推論與行動

在終端部署更多智慧的主要原因之一，是為了創造更大的敏捷性。終端裝置處於網路的最邊緣與資料產生的地方，可以更快與更準確地做出回應，同時免除不必要的資料傳輸、延遲與資料移動中的安全風險，可以節省費用。

處理能力與神經網路的重大進展，正協助帶動終端裝置的新能力，另一股驅動力則是對即時資訊、效率(傳送較少的資訊到雲端)、自動化與在多數情況下，對近乎即時回應的需求。這是一個三道步驟的程序：傳送資料、資料推論(例如依據機器學習辨識影像、聲音或動作)，以及採取行動(如物件是披薩，冰箱的壓縮機發出正常範圍外的聲音，因此發出警告)。

感測

處理器、微控制器與感測器產生的資料量相當龐大。例如，自駕車每小時要搜集25GB的資料。智慧家庭裝置、智慧牙刷、健身追蹤器或智慧手錶持續進化，並且與以往相比，會搜集更多的資料。

它們搜集到的資料極具價值，但每次都從各個終端節點把資料推回給雲端，數量又會過多。因此必須在終端進行處理。倘若部份的作業負載能在終端本身進行，就可以大幅提升效率。

推論

終端搜集到的資料是非結構性的。當機器學習從資料擷取到關聯性時，就是在進行推論。這表示使用AI與ML工具來幫忙訓練裝置辨識物件。拜神經網路的進展之賜，機器學習工具越來越能訓練物件以高度的精準度辨識影像、聲音與動作，這對體積越來越小的裝置，極為關鍵。

例如，圖4顯示使用像ONNX、PyTorch、Caffe2、Arm NN或 Tensorflow Lite 等神經網路工具，訓練高效能的意法半導體(ST)微控制器(MCU)，以轉換成最佳化的程式碼，讓MCU進行物件辨識(這個的情況辨識對象是影像、聲音或動作)。更高效能的MCU越來越常利用這些ML工具來辨識動作、音訊或影像，而且準確度相當高，而我們接下來馬上就要對此進行檢視。這些動作越來越頻繁地從邊緣，轉移到在終端運作的MCU本身。

行動

資料一旦完成感測與推論後，結果就是行動。這有可能是回饋簡單的回應(裝置是開啟或關閉)，或針對應用情況進行最佳化(戴耳機的人正在移動中，因此會針對穩定度而非音質進行最佳化)，或是回饋迴路(根據裝置訓練取得的機器學習，輸送帶若發出聲音，顯示它可能歪掉了)。物聯網裝置將會變得更複雜且更具智慧，因為這些能力提升後，運算力也會因此增加。在我們使用新的機器學習工具後，一些之前在雲端或終端完成的關鍵功能，將可以移到終端本身的內部進行。

終端 AI：千里之行始於足下

從智慧型手機到車輛，今日所有電子裝置的核心都是許多的處理器、微控制器與感測器。它們執行各種任務，從最簡單到最複雜，並需要各式各樣的能力。例如，應用處理器是高階處理器，它們是為行動運算、智慧型手機與伺服器設計；即時處理器是為例如硬碟控制、汽車動力傳動系統，與無線通訊的基頻控制使用的非常高效能的處理器，至於微控制器處理器的矽晶圓面積則小了許多，能源效率也高出很多，同時擁有特定的功能。

這意味著利用ML工具訓練如MCU等較不複雜元件來執行的動作，之前必須透過威力更強大的元件才能完成，但現在邊緣與雲端則是理想的場所。這將讓較小型的裝置以更低的延遲執行更多種類的功能，例如智慧手錶、健康追蹤器或健康照護監控等穿戴式裝置。

隨著更多功能在較小型的終端進行，這將可以省下資源，包括資料傳輸費用與能源費用，同時也會產生極大的環境衝擊，特別是考量到全球目前已有超過200億台連網裝置，以及超過2,500億顆MCU(根據Strategy Analytics統計數據)。

TinyML、MCU與人工智慧

根據Google的TesnsorFlow 技術主管、同時也是深度學習與TinyML領域的指標人物 Pete Warden 表示：「令人相當興奮的是，我還不知道我們將如何使用這些全新的裝置，特別是它們後面代表的科技是如此的吸引人，我無法想像那些即將出現的全新應用。」

微型機器學習(TinyML)的崛起，已經催化嵌入式系統與機器學習結合，而兩者傳統上大多是獨立運作的。TinyML 捨棄在雲端上運作複雜的機器學習模型，過程包含在終端裝置內與微控制器上運作經過最佳化的模式識別模型，耗電量只有數毫瓦。

物聯網環境中有數十億個微型裝置，可以為各個產業提供更多的洞察與效率，包括消費、醫療、汽車與工業。TinyML 獲得 Arm、Google、Qualcomm、Arduino等業者的支持，可望改變我們處理物聯網資料的方式。

受惠於TinyML，微控制器搭配AI已經開始增添各種傳統上威力更強大的元件才能執行的功能。這些功能包括語音辨識(例如自然語言處理)、影像處理(例如物件辨識與識別)，以及動作(例如震動、溫度波動等)。啟用這些功能後，準確度與安全性更高，但電池的續航力卻不會打折扣，同時也考量到各種更微妙的應用。

儘管之前提到的雲端神經網路框架工具，是取用這個公用程式最常用的方法，但把AI函式庫整合進MCU，然後把本地的AI訓練與分析能力插入程式碼中也是可行的。這讓開發人員依據從感測器、麥克風與其他終端嵌入式裝置取得的訊號導出資料模式，然後從中建立模型，例如預測性維護能力。

如Arm Cortex-M55處理器與Ethos U55微神經處理器(microNPU)，利用CMSIS-DSP與CMSIS-NN等常見API來簡化程式碼的轉移性，讓MCU與共同處理器緊密耦合以加速AI功能。透過推論工具在低成本的MCU上實現AI功能並符合嵌入式設計需求極為重要，原因是具有AI功能的MCU有機會在各種物聯網應用中轉變裝置的設計。

AI在較小型、低耗電與記憶體受限的裝置中可以協助的關鍵功能，我們可以把其精華歸納至我們簡稱為「3V」的三大領域：語音(Voice，如自然語言處理)、視覺(Vision，如影像處理)以及震動(Vibration，如處理來自多種感測器的資料，包括從加速計到溫度感測器，或是來自馬達的電氣訊號)。

終端智慧對「3V」至關重要

多數的物聯網應用聚焦在一些特定的領域：基本控制(開/關)、測量(狀態、溫度、流量、噪音與震動、濕度等)、資產的狀況(所在地點以及狀況如何？)，以及安全性功能、自動化、預測性維護以及遠端遙控(詳見圖 6)。

Strategy Analytics的研究顯示，許多已經完成部署或將要部署的物聯網B2B應用，仍然只需要相對簡單的指令，如基本的開/關，以及對設備與環境狀態的監控。在消費性物聯網領域中，智慧音箱的語音控制AI已經出現爆炸性成長，成為智慧家庭指令的中樞，包括智慧插座、智慧照明、智慧攝影機、智慧門鈴，以及智慧恆溫器等。消費性裝置如藍牙耳機現在已經具備情境感知功能，可以依據地點與環境，在音質優先與穩定度優先之間自動切換。

如同我們檢視的結果，終端AI可以在「3V」核心領域提供價值，而它觸及的許多物聯網領域，遍及B2B與B2C的應用：

震動：包含來自多種感測器資料的處理，從加速計感測器到溫度感測器，或來自馬達的電氣訊號。
視覺：影像與影片辨識；分析與識別靜止影像或影片內物件的能力。
語音：包括自然語言處理(NLP)、瞭解人類口中說出與寫出的語言的能力，以及使用人類語言與人類交談的能力-自然語言產生(NLG)。
垂直市場中有多種可以實作AI技術的使用場景：

震動

可以用來把智慧帶進MCU中的終端AI的進展，有各式各樣的不同應用領域，對於成本與物聯網裝置與應用的效用，都會帶來衝擊。這包括我們在圖6中點出的數個關鍵物聯網應用領域，包括：

溫度監控；
壓力監控；
溼度監控；
物理動作，包括滑倒與跌倒偵測；
物質檢測(漏水、瓦斯漏氣等) ；
磁通量(如鄰近感測器與流量監控) ；
感測器融合(見圖7)；
電場變化。

一如我們將在使用場景單元中檢視的，這些能力有許多可以應用在各種被普遍部署的物聯網應用中。

語音

語音是進化的產物，也是人類溝通非常有效率的方式。因此我們常常想要用語音來對機器下指令，也不令人意外；聲音檢測是持續成長的類別。語音啟動在智慧家庭應用中很常見，例如智慧音箱，而它也逐漸成為啟動智慧家庭裝置與智慧家電的語音中樞，如電視、遊戲主機與其他新的電器。

在工業環境中，供車床、銑床與磨床等電腦數值控制(CNC)機器使用的電腦語音引擎正方興未艾。iTSpeex的ATHENA4是第一批專為這些產品設計的語音啟動作業系統。這些產品往往因為安全原因，有離線語音處理的需求，因此終端 AI 語音發展在這裡也創造出有趣的機會。用戶可以指示機器執行特定的運作，並從機器手冊與工廠文件，立即取用資訊。

語音整合在車輛中也相當關鍵。OEM 代工廠商持續對車載娛樂系統中的語音辨識系統，進行大量投資。語音有潛力成為最安全的輸入模式，因為它可以讓駕駛的眼睛持續盯著道路，而雙手仍持續握著方向盤。

對於使用觸控螢幕或硬體控制器通常需要多道步驟的複雜任務，語音辨識系統特別能勝任。這些任務包括輸入文字簡訊、輸入目的地、播放特定歌曲或歌曲子集，以及選擇廣播電台頻道。其他的服務包含如拋錨服務(或bCall)與禮賓服務。

視覺

正如我們之前已經檢視過，終端 AI 提供視覺領域全新的機會，特別是與物件檢測及辨識相關。這可能包括觀察生產線的製造瑕疵，以及找出自動販賣機需要補貨的庫存。其他實例包括農業應用，例如依據大小與品質為農產品分級。

曳引機裝上機器視覺攝影機後，我們幾乎可以即時檢測出雜草。雜草冒出後，AI可以分類雜草並估算它對農產收穫的潛在威脅。這讓農民可以鎖定特定的雜草，並打造客製的除草解決方案。機器視覺然後可以檢測除草劑的效用，並找出農地中仍具抗藥性的殘餘雜草。

使用場景

預測性維護工具已經從擷取與比較震動的量測資料，進化到提出即時的資產監控。藉由連接物聯網感測器裝置與維護軟體，我們也可能做到遠端監控。

震動分析

這種類型的預測性維護在旋轉型機器密集的製造工廠裡，相當常見。震動分析可以揭露鬆脫、不平衡、錯位與軸承磨損等狀況。例如，把震動計量器接上靠近選煤廠離心泵浦內部承軸處，就可以讓工程師建立起正常震動範圍的基線。超出這個範圍的震動，可能顯示滾珠軸承出現鬆動，需要更換。

磁感測器融合

磁感測器利用磁性浮筒與一系列可以感應並與液體表面一起移動的感測器，測量液面的高低。所有的這些應用都使用一個固定面上的磁感測器，它與附近平面的磁鐵一起作動，與這個磁鐵相對應的感測器也會移動。

聲學分析(聲音)

與震動分析相似，聲測方位分析也是供潤滑技師使用，主要是專注在主動採取潤滑措施。這意味我們可以避免移動設備時產生的過度磨損，否則會為了修理造成代價高昂的停機。實際的例子可能包括測量輸送皮帶的承軸狀況。出現過度磨損時，承軸會因為潤滑不足或錯位出現故障，可能造成整個生產流程的中斷。

聲學分析(超音波)

聲音聲學分析雖然可以用來進行主動與預測性維護，超音波聲學分析卻只能用於預測性維護。它可以在超音波範圍內找出與機器摩擦及壓力相關的聲音，並使用在會發出較細微聲音的電氣設備與機器設備。我們可以說這一類型的分析與震動或油量分析相比，更可以預測即將出現的故障。目前它部署起來比其他種類的預防性維護花費較高，但終端 AI 的進展可以促成這種細微層級的聲學檢測，大幅降低部署的費用。

熱顯影

熱顯影利用紅外線影像來監控互動機器零件的溫度，讓任何異常情況很快變得顯而易見。具備終端 AI 能力的裝置，可以長期檢測微細的變化。與其他對事故敏感的監視器一樣，它們會觸發排程系統，自動採取適當的行動來預防零件故障。

消費者與智慧家庭

將語音運用在消費者與智慧家庭，是最常看到的場景之一。這包括智慧型手機與平板電腦上、未包含電話整合功能的裝置，例如螢幕尺寸有限的穿戴式裝置。這類型的裝置包含智慧手錶與健康穿戴式裝置，可以為各種功能提供免動手的語音啟動。像 Amazon 的 Echo 或 Google 的 Home 等智慧音箱市場的成長，說明消費者對於可接收與提供語音互動等現有裝置的強勁需求，與日俱增。

消費者基於各種理由使用智慧音箱，最常見的使用場景為：

聽音樂；
控制如照明等智慧家庭裝置；
取得新聞與天氣預報的更新；
建立購物與待辦事項清單。

除了像智慧音箱與智慧電視等消費裝置，智慧家庭裝置語音的使用，也顯現相當的潛力。諸如連網門鈴(如 ring.com)等裝置與連網的煙霧偵測器(例如 Nest Protect 煙霧與一氧化碳警報)目前都已上市可供消費者選購，它們結合了語音與視覺的感測器融合功能以及運動檢測。有了連網的煙霧偵測器，裝置在偵測到煙霧或一氧化碳時，可以發出語音警告。

終端 AI 為強化這些能力提供了全新機會，而且常常結合震動(動作)、視覺與語音控制。例如，增加姿態辨識來控制例如電視等家電，或是把語音控制嵌入白色家電，即是以最低成本強化功能性最直接的方式。

健康照護

用來發現醫護資訊的 AI 驅動終端裝置的應用，將為病況的治療與診斷，提供更多的價值。這種資訊可能是資料，也可能是影像、影片以及說出的話，我們可以透過 AI 進行型態與診斷分析。這些資料將引發全新、更有效的治療方法，為整個產業節省成本。受惠於終端 AI 的進展，像 Google Duplex 等語音系統的複雜性將會降低。例如門診預約等勞力密集的工作，也可以轉換成 AI 活動。利用自然語言語音來延伸 AI 的使用，也可以把 AI 用在第一線的病人診斷，然後再由醫師接手提供諮詢。

其他健康照護實例包括像 Wewalk5 等物件，這是一個供半盲與全盲人員使用的智慧拐杖。它使用感測器來檢測胸口水平以上的物件，並搭配 Google Maps 與 Amazon Alexa 等 app，方便使用者提出問題。

結論

由於連網的終端裝置數量越來越多，這個世界也越來越複雜。連接到網際網路的裝置已經超過 300 億個，而微控制器的數量也超過 2,500 億，每年還會增加約 300 億個。越來越多的程序開始進行自動化，不過，把大量資料傳送到雲端涉及的延遲以及邊緣運算的額外費用，意味著許多全新、令人興奮且引人矚目的物聯網使用場景，可能無法開花結果。

解決這些挑戰的答案，並不是為雲端資料中心持續增添運算力。降低出現在邊緣的延遲雖然會有幫助，但不會解決日益分散的世界的所有挑戰。我們需要把智能應用到基礎架構中。

儘管為終端裝置增添先進的運算能力在十年前仍不可行，TinyML 技術近來的提升，已經讓位處相當邊緣的裝置 (也就是終端本身)增添智能的機會大大改觀。在終端增加運算與人工智慧能力，可以讓我們在源頭搜集到更多更具關聯性與相關的資訊。隨著裝置與資料的數量持續攀升，在源頭掌握情境化與具關聯性的資料，具有極大的價值，並將開啟全新的使用場景與營收機會。

終端裝置的機器學習，可以促成全新的終端 AI 世界。新的應用場景正在崛起，甚至跳過傳送大量資料的需求，因而紓解資料傳輸的瓶頸與延遲，並在各種作業環境中創造全新機會。終端 AI 將為我們開啟一個充滿全新機會與應用場景的世界，其中還有很多我們現在想像不到的機會。

附圖：圖1：從集中式到分散式運算的轉變。
(資料來源：《The End of Cloud Computing》，by Peter Levine，Andreessen Horowitz)
圖2：全球上網裝置安裝量。
(資料來源：Strategy Analytics)
圖3：深度學習流程。
圖4：MCU的視覺、震動與語音。
(資料來源：意法半導體)
圖5：AI 工具集執行模型轉換，以便在MCU上執行經最佳化的神經網路推論。
(資料來源：意法半導體)
圖6：物聯網企業對企業應用的使用-目前與未來。
(資料來源：Strategy Analytics)
圖7：促成情境感知的感測器融合。
(資料來源：恩智浦半導體)

資料來源：https://www.eettaiwan.com/20210303nt31-the-dawn-of-endpoint-ai-bringing-compute-closer-to-data/?fbclid=IwAR0JTRpNsJUl-DmSNpfIcymGQpkQaUgXixEaczwDpELxGCaCeJpkTyoqUtI

某對雙胞胎(狄奧斯庫洛伊)昇上了天際，化為了閃爍的雙子座───
狄奧斯庫洛伊是擁有著「宙斯之子」含意的名字。

根據紀元前3世紀的『卡塔斯忒里斯摩』所述，雙子座是狄奧斯庫雷斯，被稱為卡斯托耳
與波魯克斯。
他們是出現在拉科尼亞(伯羅奔尼撒半島東南地區)，之後被昇上了天際。
之後再也不曾出現過凌駕於這對兄妹感情之物。

主神宙斯為了能夠永遠懷念他倆的感情，將兩顆獨立的星座合而為一，並命名為雙子座。

身高/體重：175cm‧57kg(妹)，175cm‧67kg(兄)
出處：希臘神話
地區：歐洲
屬性：混沌‧中庸
性別：──
狄奧斯庫洛伊總是相互依偎，不曾分開過。
也可以說是，不會離開彼此吧。
他們乃是『以二者構成一騎英靈』這麼回事。

據說這對雙胞胎，原本是被視為「駕馭千里馬之人」而受到尊崇的古老雙神。
原本被視為在暴風雨後所出現的閃爍星辰而受到尊崇，隨著時代變遷而變為了將能夠在
船隻桅杆所見到的「聖艾爾摩之火」視為這對雙神顯現的信仰。

雙神乃是，航海人的守護神。
在早期被視為從各種重大危難當中拯救人們的神祇而備受信仰，由於受到了兄妹作為阿爾
戈號船員活躍的『Argonautika』影響之故，而以具備了身為拯救航海人之神的性質為主
。

雖然有著「兩位王者」「雙柱神」這類的通稱，不過雙神並沒有其固定的名稱。
推測是到了後世，才有了卡斯托耳(卡斯特耳)與波魯克斯(波呂德烏刻斯)的名字與背景。

雖然兩人在『伊利亞德』『Argonautika』『神話集』『變身故事』
『書庫(Bibliotheca)』等書中被提及，而使兩人擁有了眾多的傳說，但卻並非是神祉，
例如在化為星座之前只是人類，或是只有一人是主神宙斯之子等等。

本質身為古老神靈的他們，於現界之時帶著特殊的性質進行顯現。
雖為同一存在卻有著兩副肉體，各自的肉體當中寄宿著不同職階的性質而成。
也就是───

不具備宙斯血脈，而在後世獲得了身為「人類之子」傳說的兄長卡斯托耳，將由神祇衰落
為人類的屈辱化為怨恨，成為了Avenger。
由於具備了宙斯血脈，而以「不死之人」獲得傳說的妹妹波魯克斯，則是以不會受傷的
肉體與凌厲的劍術持續戰鬥，成為了Saber。

雖然所登錄的是Saber靈基，然而正確來說的話，他倆可算是一種雙重職階的從者。
想必是這份特殊性使得他們雖然身為神靈從者，卻是個例外的存在吧。

○雙神之神核：Ｂ
兩者所共有的技能。
原本身為古老雙神之故，理應擁有A級亦或是規格外的等級才對，由於受到了往後所成形
的希臘神話中的雙胞胎傳說影響之故，因而停留在了B級。
根據推測，主要應是身為兄長的卡斯托耳在後世傳說當中「並未具備神明血脈」之故。

○主神之星：Ａ
以二者為一的存在化為星座，顯現了雙神之存在的技能。

〇航海的守護者：Ｂ
對以船隻進行旅途之人帶來守護。
雙神的存在，會作為跨越困難的希望而為周圍的人們帶來動力。
是類似於暴風雨的航海家之技能，原本是包含了軍略與領袖氣質的複合技能。

〇魔力放出(光／古)：Ａ
這對雙神，據說就是在海上閃爍的「聖艾爾摩之火」本身。
與部分聖人系從者所擁有的亞種魔力放出似是而非的技能。
將化作光芒型態的魔力放出，藉以增強戰鬥力。

雙神讚歌

等級：Ｂ
種類：對人寶具
範圍：0～3
最大捕捉：1人

Dioscures‧Tyndaridai
身為劍術高手的波魯克斯之技巧，以及對於由神祉衰落一事感到憤怒的卡斯托耳之力量。
在天際相互依偎的雙胞胎所展現出的，完全‧完美的合作攻擊。
以莫大的信賴所誕生出的合作絕技，被昇華至了寶具的層級。

此外，僅限定於真名解放之時，兩人會近乎完全的取回身為古代神祇的神格，在一時之間
令神核化為最高階級。
行使了純粹神靈級別魔力所施展出的攻擊，想必能夠無視物理‧魔術的一切障礙與防禦，
而將對象予以粉碎吧。

於第五異聞帶成立初期，作為實際存在的神祇而成形。
在與基爾什塔利亞‧沃戴姆的戰鬥中戰敗的雙神，於一度失去性命之後，以異聞帶從者的
身分與基爾什塔利亞締結契約。
經由契約得知了「有關於泛人類史中的自己」傳說的兄長卡斯托耳，對於在泛人類史發生
的事情，而導致他對於蔑視自己的人類抱持著巨大的憎惡。
妹妹波魯克斯也同樣的，對於滅是兄長的人類抱持著憎惡。

結果，兄妹倆人一同燃起了沉重的憎惡之火，對於迦勒底一行人以及奧林匹斯市民們皆是
一貫的不斷做出殘忍、暴力般的舉動。

◆

另一方面，以泛人類史從者身分被召喚至迦勒底的雙神，則不具備有如異聞帶時的雙神
那般嚴重的暴力性。
兄長卡斯托耳雖然有著足以使Avenger靈基成形的精神與背景，然而妹妹波魯克斯的性格
與異聞帶時相較之下則是十分穩重。
由於妹妹會從旁督促的關係，有關兄長的部分，在一定程度上予以放任也是沒關係的。

#FGO #狄奧斯庫洛伊

20200114 黃偉民易經講堂

她黑衣謝票，是對香港示威黑衣人暗示感激？

蔡英文大勝連任。

這個結果，對我來說並不意外，但她的得票，令世界眼前一亮。

點票前，無人敢幻想她可以得票817萬。 破了自己的紀錄；破了馬英九在阿扁貪腐下的得票神話；破了台灣的選舉歷史。

年輕人都出來投票。 投票率達75%。

所以，小英說： 年輕人，是台灣最美麗的風景。

反觀香港，林鄭政府仍在傾全力，撲殺這代年輕人。

近日拘捕的示威者，已經去到十一、二歲的少年。 她將責任歸咎於學校、老師。

她沒有自我檢討能力，以為用明末的特務手段，白色恐怖就可以解決民怨！

817萬票，用817取卦，得卦地天泰卦，初爻動。

泰卦是《周易》第十一卦，跟著是第十二卦天地否卦。
泰否兩卦，相錯相綜，兩卦一體，互為因果。

台灣得泰卦，香港是否卦。
泰卦通達，否則閉塞。

為什麼泰卦能通達？
孔子說：天地交，泰。天地不交，否。 陰陽相交，便會通，所以，我們說交通。

通者，泰也。
地天泰，上卦坤為地，下卦乾為天。上卦坤地全陰，下卦乾天全陽。

凡陽性的氣，往上升；凡陰性的氣，往下降。泰卦的結構，兩氣相交，所以，便泰了。

乾為君，在下卦，坤為眾，在上卦。

孟子從此卦得出結論： 民貴君輕。 地天泰，任何政治領袖，都應有的心態。

政府和民間，才有溝通的機會，社會才會和諧，才會通。

代表乾天的三支陽爻在下卦，有剛重的性質；上卦是代表坤地的三支陰爻有柔和輕巧的性質。

泰卦下重上輕，才能穩當和諧。
相反，天地否卦，上重下輕，便無法穩定了。

所以，《尚書》說： 民為邦本，本固邦寧。

《雜卦傳》說： 否泰，反其類也。

它沒有說明泰卦是什麼？否卦是什麼？不像之前的「乾剛坤柔，比樂師憂」，用一個字，點出全卦的精神。

《雜卦傳》將泰否兩卦一起合論，意思是泰否是渾然一體的，根本不能分開。

泰否兩卦的卦象，由一個天在下地在上，另一個天在上地在下，是徹底相反的，六爻全變。

反，是徹底相反，但也是相反相成。 陰陽、雌雄、男女，從外型到本質，都徹底相反。但他們“反其類”，一個凸，一個凹；一個插蘇，一個插座，要跟相反的東西，產生互補作用，才能產生，生生不息的能量。

反其類，《易經》的智慧，要我們重視整體。 泰否，描述的，是一個大環境，即是天地。

我們要通過深刻的反省之後，才能找到大自然基本的契合點，找到生機，將生命賦與我們的資源，作最好的運用，在人間創造出最好的結果。

血肉人生，一定有否有泰，我們總有得意失意，我們要站高的看自己一生，縱觀整體際遇，才能應付自如。

泰卦的內卦乾為天，也為心；外卦的坤為地，也是物。心物交融，才能身心舒泰。

天地交而萬物通也。交，才能通。包括人才、資訊、金錢、貿易，只有交，才能通。

如果天地這個大環境，大形勢，都鼓勵交流互動，那麼天地間的所有資源，包括人才、技術、資訊、知識，也便通暢了。

相反，否卦的卦象，是天地不交，所以，萬事都不通了。

蔡英文的得票，817萬票，得地天泰卦的初爻動。

泰卦，初九： 拔茅茹，以其彙，征吉。
拔，選拔、拔舉。 茅，茅草。 茹，草根。 彙，相同類聚的東西。

小英得票數字的玄機，告訴我們，這樣的破天荒得票，顯示民氣可用，可以大幹一場。

泰卦的初爻，用茅草根的象，象徵台灣廣大的基層民眾。 茅草有根，民生也有根，要把基層群眾的智慧，生產力，動員起來，造成一個台灣的整體氣勢。

拔，是政府用選拔、拔舉人才，發動基層的衝天幹勁。 要將年輕人在今次選舉的熱情，投入台灣基礎建設的大洪流，動員社會的根源力量。 茅草連根一拔，連周邊相連的草根帶動起來，全民建設的氣勢便上來了。

拔茅茹是說，不能只拔表面，必須整體帶動。泰卦初爻象徵的是潛藏在民間的資源，他們在觀望，等待誘因。

政府要用「拔茅茹」這個手段，把潛在的能量動員起來。 還有藏在地下不見相連的草根，也一併帶動，「以其彙」，將潛藏地下，看不見的聯繫，全部帶起來。 政府要主動做火車頭，帶起台灣的經濟。

征吉，按照這個原則去做，征，就一定吉。

《小象傳》說： 拔茅征吉，志在外也。 全球反共，是台灣走向世界的時候了。

初九，在泰卦的內卦乾天內，發動草根基層的生產力、創意，目標是外卦坤卦的廣土眾民。

下卦的乾，要找對口的坤，發揮互補的作用效應，將供需作完美的結合，就可以生存發展。 全世界今日都知中共是禍患，對付中共，武器是台灣。

「志在外也」，初九的準備，是為了坤卦，象徵世界的市場。

初九做好了，爻變成地風升卦，步步高升，台灣經濟才可以大幅成長。

這個得票數字，817萬，是提示台灣第一步是興利，為了迎接一個好時代做準備。

香港也曾經有過地天泰卦的通達歲月。

那是1967年到1997年的三十年。 也是從初九爻開始： 拔茅茹，以其彙，征吉。

麥理浩，用十年建屋計畫，令木屋區的貧民，人人有家。 設立ICAC，令社會公義伸張，人人可以公平地往上爬。

安居樂業的社會，像茅草有根，政府將整個社會基層的智慧、生產力動員起來，做成一個動態的香港。

爻變為地風升卦，香港像一顆星星，步步高升走上國際舞台。

孔子的《春秋》，以三十年為一世，泰卦之後，1997開始，便走上否卦之路。

泰卦通達，否卦閉塞。

天地否卦，結構上，上卦乾為天，下卦坤為地。 陰陽兩氣的移動，陽向上走，陰向下流，陰陽不交，天地隔絕，萬物不生，是閉塞不通之象。

乾為君，高高在上；坤為眾，低處下游，官員騎在人民頭上，妄想為人民的主人，勞役天下。官民各走極端，天地不交，否。

否泰，反其類也。

否卦的處境，需要反省內在的根本。為什麼會由泰入否？ 反其類也，不是簡單的物理相反，而是從實踐中體驗這種盛衰規律。

人一旦能深刻反省，才能超越表面的歧異。

泰否兩卦都出現了乾坤交鋒的象。地天是泰，天地是否，上下兩卦之間，能否交？交流互動，決定了整個卦是泰是否。

乾為心，坤為物。 心為主，物為從。

心性強則自強不息，物欲強則會因應權勢，欲海浮沉。 只有心物一元，兩者合一，心主物從，才可擺脫世間的名疆利鎖，創造出生生不息的生命價值。 只要心物交融，身心調和，才是天地交的泰卦。

相反，否卦便是天地不交。 即是身心不交，心物不合。

這時候，徒具人的外形，從外表看是人，其實只是行屍走肉，不是真實的人。

所以，否卦的卦辭說： 否之匪人。 不利君子貞，大往小來。

《易經》說的「匪」，就是非。匪人，非人。只是外表像人，裡面身心不交，心物不合，即佛經上說的匪人，外表人形，實質上沒有靈魂，根本不是人。

在衰世，即佛說的末法時代，很多人徒具人形，沒有人心的匪人。 當社會充斥著匪人，這個時代，便會閉塞不通，便是否了。

在十二消息卦中，否卦是農曆七月，即盂蘭節的月分，鬼門關大開，所以否卦卦辭說，否之匪人。這時候，全部都不是人。

由泰入否，泰卦最後一支爻說： 城復于隍。 高高的城牆塌了，填滿了深深的護城河（隍），這塊大地，起高樓，宴賓客，最後樓塌了。

人生花費畢生心血，建立功業，最後什麼都如過眼雲煙，又返回一無所有的狀況。

空空的來，空空的走，從高處滑下時出盡花招，與勢力結盟，機巧計謀，阻止不了史巨輪，最後便是城復于隍。

由泰入否，就是考驗一個人的德行修為和智慧。

跨過了否卦，面對周圍徒具人形的匪人之後，根據《周易》的卦序，便是走向世界，與人為善的天火同人卦，之後，是人人皆有，眾生皆有佛性的火天大有卦，兩卦相綜，也就是孔子的最高政治理想，《禮運大同篇》所描述的世界。 老有所終，壯有所用，少有所長。 跟著，便是六爻皆吉的地山謙卦了。

否卦之後，一連三個都是美好的卦，行好運之前，要經過地獄試煉這一轉。

スタンダードチューニング以外にもチューニングをしてもいいんだということを伝えたかったので今週のサンデートークでは実験をしてみました！

サムネの「作ってあそぼ」感は否めないですね

(編集:アキリト)

バリトンウクレレの演奏▶︎ https://youtu.be/vXXYM4s-gM4

動画で使ってるテナーウクレレ Enya EUT-X1➡️ https://amzn.to/2UlfR0e

【ほかのSNSでも友達追加してくださいね】
Line@: @nkd8488a
コードシートやタブ譜がダウンロードできます。
Twitter: @AkiritoUkulele
動画の投稿の通知や、中の人のつぶやきが見れます
Facebook: Akirito’s Ukulele
最近始めました、今のところ登録者0人です。ふるってご登録ください^_^
【お仕事の依頼、アキリトに対する質問】
Email: [email protected]

【ウクレレ】
TOM TUT-690E

(スクリプト)
テナーウクレレをバリトンウクレレにしてみた！

Ladies and gentlemen this is Sunday talk from Akirito’s Ukulele

皆さんこんにちはアキリトです

今週も始まりましたサンデートークのお時間です。

今週のトピックは、テナーウクレレをバリトンウクレレのチューニングにできるのかというものです。


そもそもバリトンウクレレがなにかというと、こんな感じです

https://youtu.be/vXXYM4s-gM4

普通のウクレレと比べて音が低い感じしませんか？
それもそのはず、ウクレレながらギターと同じチューニングなんです。

5フレット分低いおとにチューニングが合わさっているので DGBE というチューニングになります。
普段GCEA のスタンダードチューニングで、ソプラノ、コンサート、テナーをチューニングしますが、

今回そのチューニングをテナーでやってみたいと思います。



どうですか？聞いてみて

悪くないですよね、、、


でもですね。少し欠点があります。

ちょっと弦の張り、テンションが低いですね。

弦が結構ゆるいように感じるので、じゃっかん弾きづらい感があります。

ここで一つ弦の性質をおさらいしましょう。


弦の3つの性質で音が変化します

まず弦の張力をあげる
弦のテンションをあげるつまり弦の張りビンビンにしたら、音が高くなりますよね。

これは普段、行ってるチューニングです。

で後もう一つが弦の太さです。弦の太さが太くなると、低くなりますし、細くなると高い音がなります。

ウクレレみてみてください

3弦が異様に太いと思います。

Cが一番低い音なので太い弦を採用してるんです。

最後が、今回の肝ですが、弦の長さでも音の高さが変わります。

弦が短いと高い音、長いと低い音が出ます。


正確な式じゃないですが

弦の張り✖︎弦の太さ✖︎弦の長さ＝音の高さ


今回は、バリトンウクレレって大きいじゃないですか

そのバリトンウクレレより小さいテナーウクレレで低いチューニングをしようとしたわけです。

そうすると、
弦の長さが短いんですね

弦のはり✖︎弦の太さ(変えてない)✖︎短い(テナー)
＝弦の張り✖︎弦の太さ✖︎長い(バリトン)

このどこかで帳尻を合わせないといけない

なので、弦の張りをさげる必要があるわけです。


だから、弦ゆるゆるになったんですよ




この物理法則のせいで、ソプラノ、コンサート、テナーの順で弦の張りが強くなるんですよ


よく初心者のひとには、テナーを進めないというのは、弦の張りが強くて、最初は押さえにくいからなんですよね。



最後にもう一つ、この流れで紹介したいものがあります。

それはADF#Bチューニングという1920-30年代に流行ったチューニングをお知らせしたいです。

このチューニングをいまされているのは、James Hill さんというカナダのウクレレプレイヤーさんです。

それをリスペクトする小竹 遼さんやそのでしのYamamotoさんなんかもこのチューニングをされています。

こういう風にすると結構ウクレレの音も一風変わったものなっていい感じです。さっきの理論通り、音を高くするので、弦の張りが強くなります。

ウクレレソロには弦の張りが高い方が向いているので、結構いいと思います。




他にも、しってるかたも多いかもしれませんが、ウクレレを使ったお笑いをしているパーマ大佐なんかは、1フレットぶん低いチューニングで弾かれていたり、ほかにもover the rainbow のIzさんも同じチューニングの時があります。


スタンダードチューニングじゃなくて、こんな風に、チューニングを変えて遊んでみるのも楽しいのではないでしょうか
というのが、今回一番伝えたいことでした。

あとですね、

ウクレレのなりが一番いいチューニングって、スタンダードチューニングの時とは限らないじゃないですか

例えば、このウクレレは、スタンダードチューニングGCEAではあんまりですが、2、3フレット分チューニングを下げるとかなり爆なりしますし、ちょうどいい周波数になるんでしょうね

もし、今週の内容が良かった、面白かったと思ったら、好評価とチャンネル登録のほうぜひぜひお願いします。

あと、他にも、この人はこんなチューニングで弾いてるよとか、自分はこのチューニングが好きとかありましたらコメントに書いてください！

コメント欄毎回みてますので、よろしくお願いします！

ご視聴ありがとうございました。また来週のサンデートークもみてくださいね！！

バイバイ